CN113139738A - 一种使用机器学习进行环保无组织排放监管的方法 - Google Patents

一种使用机器学习进行环保无组织排放监管的方法 Download PDF

Info

Publication number
CN113139738A
CN113139738A CN202110490486.1A CN202110490486A CN113139738A CN 113139738 A CN113139738 A CN 113139738A CN 202110490486 A CN202110490486 A CN 202110490486A CN 113139738 A CN113139738 A CN 113139738A
Authority
CN
China
Prior art keywords
machine learning
environmental protection
data
analysis
emission regulation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110490486.1A
Other languages
English (en)
Inventor
车文华
於琪
王洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Maanshan Iron and Steel Co Ltd
Original Assignee
Maanshan Iron and Steel Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Maanshan Iron and Steel Co Ltd filed Critical Maanshan Iron and Steel Co Ltd
Priority to CN202110490486.1A priority Critical patent/CN113139738A/zh
Publication of CN113139738A publication Critical patent/CN113139738A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G06F16/287—Visualization; Browsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种使用机器学习进行环保无组织排放监管的方法，涉及智能监控识别技术领域。该使用机器学习进行环保无组织排放监管的方法利用机器学习的高效性，有效对视频信息进行学习，并判断出排放物的种类和类型，同时采用yolo系统实时监控，有效减少人力监控成本，提高监控效率。

Description

一种使用机器学习进行环保无组织排放监管的方法
技术领域
本发明涉及智能监控识别技术领域，具体为一种使用机器学习进行环保无组织排放监管的方法。
背景技术
针对钢铁企业提升无组织管控效率，避免突发环境事件发生的迫切需求。发现利用视频AI智能自动识别技术，比林戈曼灰度识别等传统方式，能够增加管理效率，应用场景也更加广阔。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种使用机器学习进行环保无组织排放监管的方法，解决了无组织监控困难的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种使用机器学习进行环保无组织排放监管的方法，包括如下步骤：
步骤1，对所有有污染的图片用labelimg软件进行标记,标记的数据格式为json格式，即每张图片的label文件；
步骤2，将上一步得到的json格式的数据集中放到一个文件夹内，然后将其全部转化为训练yolo所需要的txt格式的数据；
步骤3，将转化好的训练集中的图片所对应的txt文件放在train_cat_imgs文件夹中，进行模型训练；
步骤4，搭建的分析系统采用B/S架构，基于WEB页面，使用restful的服务接口对外进行分析结果数据和图片的发布。
优选的，所述训练yolo所需要的txt格式的数据使用json2txt.py脚本进行转换。
优选的，所述步骤1中选取样本的具体步骤：
步骤1.1，实施过程中，首先对于多个无组织放散监控点进行长时间的视频录制，针对于有问题的视频进行剪辑并切片分析；
步骤1.2，在分析时，对于视频中的水蒸气和污染烟雾做出了不同的标识，并以不同颜色区分；
步骤1.3，在分析过程中，对于识别的视频重点区域和物体进行了特殊标注，帮助减少误差的产生。
优选的，所述步骤4中的接口通信方式，采用标准化的restful的接口，对外部署服务。
优选的，所述步骤3中的模型训练的业务场景可应用于有组织排放。
优选的，所述步骤4中的结果展示页面是图形化数据展示、大屏展示、二维图标结果展示中的一种。
优选的，所述步骤4中的结果展示页面是图形化数据展示、大屏展示、二维图标结果展示中的多种。
本方法搭建的视频系统硬件为了保证运行的性能，新增视频流分析服务器一台与环保视频摄像头的网络进行联通，从各重点区域摄像头直接获取辅码流进行分析。在服务器端部署视频图像分析模型软件，进行后端视频实时分析。分析结果信息通过应用层服务对外提供数据访问接口。视频异常信息及图像保存1年历史数据。
(三)有益效果
本发明提供了一种使用机器学习进行环保无组织排放监管的方法。具备以下有益效果：
该使用机器学习进行环保无组织排放监管的方法利用机器学习的高效性，有效对视频信息进行学习，并判断出排放物的种类和类型，同时采用yolo系统实时监控，有效减少人力监控成本，提高监控效率。
附图说明
图1为本发明所提供使用机器学习进行环保无组织排放监管的方法流程框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
视频识别分析服务器使用实体服务器，具体配置如下：
DL580 Gen1061262P 32GB 8SFF CN Svr(标配2个IntelXeon-Gold 6126(2.6GHz/12-core/120W)处理器；64GB DDR4-2666 MT/s内存)。服务器搭载一块rtx2080ti高性能显卡，视频识别模型基于GPU进行进行高速运算。
系统的AI视频分析模型基于一种神经网络对象识别算法：YOLO。YOLO是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。
模型检测流程简介：
1、将图片resize到448*448大小。
2、将图片放到网络里面进行处理。
3、进行非极大值抑制处理得到结果。
4、采用单个卷积神经网络来预测多个bounding boxes和类别概率。
YOLO算法通过划分单元格来做检测，只是划分的数量不一样。采用"leaky ReLU"作为激活函数。端到端进行训练。一个loss function搞定训练，只需关注输入端和输出端。用batch normalization作为正则化、加速收敛和避免过拟合的方法，把BN层和leaky relu层接到每一层卷积层之后。
算法描述：
使用了残差网络；采用逻辑回归预测置信度和进行分类，从三个尺度上预测b-box的坐标以及特征提取器发生变化。使用多个逻辑回归来预测分类，使用二元交叉熵计算分类损失。借由FPN的思想，用中间层的输出与后层输出进行融合，进行三个尺度预测，每个尺度的每个cell预测3个坐标。
模型优劣势：
速度快，处理速度可以达到45fps，其快速版本(网络较小)甚至可以达到155fps。背景预测错误率低，因为是整张图片放到网络里面进行预测。
其缺点主要是小目标和邻近目标检测效果差，对边框的预测准确度不是很高，网格设置比较稀疏，对定位存在影响。但是在无组织排放识别这个应用场景里面，无组织气体的边框及位置的判断不是管控内容，因此对于实际业务管控目标影响不大。
视频AI系统测试运行3个月以来，进行了12路重要监测区域视频数据的实时分析。系统运行情况稳定，异常结果与对应视频的实际情况匹配度不断提高。
同时，经过对于摄像头视频数据的异常情况，进行了多次图像筛选标注工作。提交训练系统，反复训练模型，提高识别率到85％左右。系统识别结果，通过web服务，传输到环保系统进行管控大屏推送，以及微信的消息推送，有效提高了无组织管控的管理时效性。做到“及时发现，及时处理。”
本方法的AI分析模型采用YOLO深度学习框架，利用TensorFlow机器学习系统进行模型训练工作。使用python进行相关训练及开发工作，模型持久化以后，利用开源模型部署工具在视频分析服务器进行应用部署，并利用rest服务接口，对外进行结果数据发布。
搭建的分析系统采用B/S架构，基于WEB页面，使用浏览器通过系统发布的管理页面即可查询监控结果。移动手机端则使用企业微信公众号，进行告警信息推送。优点：系统升级及扩展时，无需升级客户端，直接升级服务器端即可，对于客户端透明。
针对于烟雾感知，本系统采用先进的AI智能学习模型，采用基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以定位于每个物体的具体位置，适用于实时系统。
AI智能模型学习，需要使用对大量视频内容进行长时间机器学习、。本次采用卷积神经网络YOLO算法，过程中针对神经网络结构和候选区算法不断改进，使得目标检测速度达到0.2秒，极大的满足的高可用性的要求。
实施过程中，首先对于十几个无组织放散监控点进行长时间的视频录制，针对于有问题的视频进行剪辑并切片分析。每个监控点的切片图片达到3万张，总体切片图片分析数量达到30多万张，总的机器学习时间超过110小时。通过这些方法极大的提高了识别的准确率。
在分析时，对于视频中的水蒸气和污染烟雾做出了不同的标识，并以不同颜色区分。
综上所述，该使用机器学习进行环保无组织排放监管的方法利用机器学习的高效性，有效对视频信息进行学习，并判断出排放物的种类和类型，同时采用yolo系统实时监控，有效减少人力监控成本，提高监控效率。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

Claims (7)

1.一种使用机器学习进行环保无组织排放监管的方法，其特征在于，包括如下步骤：
步骤1，对所有有污染的图片用labelimg软件进行标记,标记的数据格式为json格式，即每张图片的label文件；
步骤2，将上一步得到的json格式的数据集中放到一个文件夹内，然后将其全部转化为训练yolo所需要的txt格式的数据；
步骤3，将转化好的训练集中的图片所对应的txt文件放在train_cat_imgs文件夹中，进行模型训练；
步骤4，搭建的分析系统采用B/S架构，基于WEB页面，使用restful的服务接口对外进行分析结果数据和图片的发布。
2.根据权利要求1所述的一种使用机器学习进行环保无组织排放监管的方法，其特征在于：所述训练yolo所需要的txt格式的数据使用json2txt.py脚本进行转换。
3.根据权利要求1所述的一种使用机器学习进行环保无组织排放监管的方法，其特征在于：所述步骤1中选取样本的具体步骤：
步骤1.1，实施过程中，首先对于多个无组织放散监控点进行长时间的视频录制，针对于有问题的视频进行剪辑并切片分析；
步骤1.2，在分析时，对于视频中的水蒸气和污染烟雾做出了不同的标识，并以不同颜色区分；
步骤1.3，在分析过程中，对于识别的视频重点区域和物体进行了特殊标注，帮助减少误差的产生。
4.根据权利要求1所述的一种使用机器学习进行环保无组织排放监管的方法，其特征在于：所述步骤4中的接口通信方式，采用标准化的restful的接口，对外部署服务。
5.根据权利要求1所述的一种使用机器学习进行环保无组织排放监管的方法，其特征在于：所述步骤3中的模型训练的业务场景可应用于有组织排放。
6.根据权利要求1所述的一种使用机器学习进行环保无组织排放监管的方法，其特征在于：所述步骤4中的结果展示页面是图形化数据展示、大屏展示、二维图标结果展示中的一种。
7.根据权利要求1所述的一种使用机器学习进行环保无组织排放监管的方法，其特征在于：所述步骤4中的结果展示页面是图形化数据展示、大屏展示、二维图标结果展示中的多种。
CN202110490486.1A 2021-05-06 2021-05-06 一种使用机器学习进行环保无组织排放监管的方法 Pending CN113139738A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110490486.1A CN113139738A (zh) 2021-05-06 2021-05-06 一种使用机器学习进行环保无组织排放监管的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110490486.1A CN113139738A (zh) 2021-05-06 2021-05-06 一种使用机器学习进行环保无组织排放监管的方法

Publications (1)

Publication Number Publication Date
CN113139738A true CN113139738A (zh) 2021-07-20

Family

ID=76816791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110490486.1A Pending CN113139738A (zh) 2021-05-06 2021-05-06 一种使用机器学习进行环保无组织排放监管的方法

Country Status (1)

Country Link
CN (1) CN113139738A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150066739A1 (en) * 2013-08-29 2015-03-05 Simple Verity, Inc. Adaptive credit network
CN106097346A (zh) * 2016-06-13 2016-11-09 中国科学技术大学 一种自学习的视频火灾探测方法
CN106303469A (zh) * 2016-11-02 2017-01-04 北京弘恒科技有限公司 对室内外环境中火焰的视频分析检测方法及系统
CN107808139A (zh) * 2017-11-01 2018-03-16 电子科技大学 一种基于深度学习的实时监控威胁分析方法及系统
CN108391092A (zh) * 2018-03-21 2018-08-10 四川弘和通讯有限公司 基于深度学习的危险物识别系统
CN108573463A (zh) * 2018-05-29 2018-09-25 唐山钢铁集团微尔自动化有限公司 企业环保综合监管系统
CN108647559A (zh) * 2018-03-21 2018-10-12 四川弘和通讯有限公司 一种基于深度学习的危险物识别方法
CN108764830A (zh) * 2018-05-18 2018-11-06 王建兵 人防工程设备质量相关信息采集分析系统
CN110188662A (zh) * 2019-05-28 2019-08-30 唐山海森电子股份有限公司 一种水表数字的ai智能识别方法
CN111723656A (zh) * 2020-05-12 2020-09-29 中国电子系统技术有限公司 一种基于YOLO v3与自优化的烟雾检测方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150066739A1 (en) * 2013-08-29 2015-03-05 Simple Verity, Inc. Adaptive credit network
CN106097346A (zh) * 2016-06-13 2016-11-09 中国科学技术大学 一种自学习的视频火灾探测方法
CN106303469A (zh) * 2016-11-02 2017-01-04 北京弘恒科技有限公司 对室内外环境中火焰的视频分析检测方法及系统
CN107808139A (zh) * 2017-11-01 2018-03-16 电子科技大学 一种基于深度学习的实时监控威胁分析方法及系统
CN108391092A (zh) * 2018-03-21 2018-08-10 四川弘和通讯有限公司 基于深度学习的危险物识别系统
CN108647559A (zh) * 2018-03-21 2018-10-12 四川弘和通讯有限公司 一种基于深度学习的危险物识别方法
CN108764830A (zh) * 2018-05-18 2018-11-06 王建兵 人防工程设备质量相关信息采集分析系统
CN108573463A (zh) * 2018-05-29 2018-09-25 唐山钢铁集团微尔自动化有限公司 企业环保综合监管系统
CN110188662A (zh) * 2019-05-28 2019-08-30 唐山海森电子股份有限公司 一种水表数字的ai智能识别方法
CN111723656A (zh) * 2020-05-12 2020-09-29 中国电子系统技术有限公司 一种基于YOLO v3与自优化的烟雾检测方法及装置

Similar Documents

Publication Publication Date Title
CN102880849B (zh) 一种二维码识别方法，及设备
CN107330731B (zh) 一种识别广告位点击异常的方法和装置
CN111754498A (zh) 一种基于YOLOv3的传送带托辊检测方法
CN111353380B (zh) 一种基于机器图像识别技术的城市道路积水图像识别系统
CN111368636A (zh) 目标分类方法、装置、计算机设备和存储介质
CN111931719B (zh) 高空抛物检测方法以及装置
CN111160432A (zh) 一种面板生产制造缺陷的自动分类方法及系统
CN116049397A (zh) 基于多模态融合的敏感信息发现并自动分类分级方法
CN116823793A (zh) 设备缺陷检测方法、装置、电子设备和可读存储介质
CN114863118A (zh) 一种基于输电线路外部隐患自学习识别系统、方法
CN116778148A (zh) 目标检测方法、装置、电子设备及存储介质
CN113496210B (zh) 基于注意力机制的光伏组串跟踪及故障跟踪方法
CN110929032A (zh) 一种软件系统的用户需求处理系统及处理方法
CN114694130A (zh) 基于深度学习的铁路沿线电线杆及杆号检测方法和装置
CN113408630A (zh) 一种变电站指示灯状态识别方法
CN117496426A (zh) 基于互学习的预制梁工序识别方法及装置
CN113139738A (zh) 一种使用机器学习进行环保无组织排放监管的方法
CN117197530A (zh) 一种基于改进YOLOv8模型及余弦退火学习率衰减法的绝缘子缺陷识别方法
CN111539390A (zh) 一种基于Yolov3的小目标图像识别方法、设备和系统
CN116385465A (zh) 图像分割模型的构建及图像分割方法、系统、设备和介质
CN113378598A (zh) 一种基于深度学习的动态条码检测方法
Zou et al. Research on detection of transmission line corridor external force object containing random feature targets
CN113362069A (zh) 风控模型的动态调整方法、装置、设备及可读存储介质
CN112488659A (zh) 一种基于遥感的城市事件智能发现及自动派单的方法
CN109740858A (zh) 基于深度学习的自动化辅助决策系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination